Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego - Helion

Autor: Aileen Nielsen
Tytuł oryginału: Practical Time Series Analysis: Prediction with Statistics and Machine Learning
Tłumaczenie: Filip Kamiński
ISBN: 978-83-283-6721-0
stron: 432, Format: 168x237, okładka: miękka
Data wydania: 2020-09-22
Księgarnia: Helion

Cena książki: 59,40 zł (poprzednio: 99,00 zł)
Oszczędzasz: 40% (-39,60 zł)

Pobierz fragment książki » Osoby, które kupiły tę książkę, wybierały także »

Tagi: Analiza danych | Inne | Prezenty dla Niego | Uczenie maszynowe

Analiza szeregów czasowych zyskuje na znaczeniu. Wraz z postępującą digitalizacją danych służby zdrowia, rozwojem inteligentnych miast czy upowszechniającym się internetem rzeczy staje się coraz bardziej potrzebna. Obiecującym rozwiązaniem jest analiza szeregów czasowych metodami wspomaganymi uczeniem maszynowym. Techniki te umożliwiają skuteczne monitorowanie i wykorzystywanie coraz większych zbiorów danych. Być może ich zastosowanie do pracy z szeregami czasowymi wydaje się nieoczywiste, jednak bez analiz szeregów czasowych nie można w pełni wykorzystać zebranych danych.

Ta książka jest szerokim, aktualnym i praktycznym przeglądem metod analizy szeregów czasowych, w którym ujęto pełny potok przetwarzania danych czasowych i modelowania. Zaprezentowano w niej rzeczywiste przypadki użycia tych metod i zilustrowano je obszernymi fragmentami znakomicie zaprojektowanego kodu w językach R i Python. Znalazły się tutaj praktyczne wskazówki ułatwiające rozwiązywanie najczęstszych problemów występujących w inżynierii danych czasowych i ich analizie. Ujęto tu zarówno konwencjonalne metody statystyczne, jak i nowoczesne techniki uczenia maszynowego. To bardzo przydatny przewodnik, dzięki któremu analitycy danych, inżynierowie oprogramowania i naukowcy będą mogli płynnie przejść od podstaw pracy z szeregami czasowymi do rozwiązywania konkretnych zagadnień na profesjonalnym poziomie.

Dzięki tej książce nauczysz się:

pozyskiwać, przechowywać i przetwarzać szeregi czasowe
eksplorować dane czasowe i symulować je
wykonywać pomiary błędów
pracować z szeregami czasowymi za pomocą uczenia maszynowego lub uczenia głębokiego
oceniać dokładność i wydajność modeli

Skutecznie analizuj szeregi czasowe i wydobywaj bezcenną wiedzę!

Osoby które kupowały "Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego", wybierały także:

Data Science w Pythonie. Kurs video. Algorytmy uczenia maszynowego 199,00 zł, (59,70 zł -70%)
Power BI Desktop. Kurs video. Wykorzystanie narzędzia w analizie i wizualizacji danych 349,00 zł, (104,70 zł -70%)
Statystyka. Kurs video. Przewodnik dla student 128,71 zł, (39,90 zł -69%)
Microsoft Excel. Kurs video. Wykresy i wizualizacja danych 199,00 zł, (69,65 zł -65%)
Analiza danych w Tableau. Kurs video. Podstawy pracy analityka 249,00 zł, (87,15 zł -65%)

Spis treści

Szeregi czasowe. Praktyczna analiza i predykcja z wykorzystaniem statystyki i uczenia maszynowego -- spis treści

Wstęp 9

1. Koncepcja szeregów czasowych 15

Szeregi czasowe w różnych dziedzinach - krótka historia 15
- Szeregi czasowe w medycynie 16
- Przewidywanie pogody 20
- Prognozy rozwoju gospodarczego 21
- Astronomia 23
Początki analizy szeregów czasowych 24
Metody statystyczne w analizie szeregów czasowych 25
Uczenie maszynowe w analizie szeregów czasowych 26
Zobacz też 27

2. Pozyskiwanie i przetwarzanie szeregów czasowych 29

Gdzie można znaleźć szeregi czasowe? 30
- Gotowe zestawy danych 30
- Odnajdywanie szeregów czasowych 36
Konstruowanie szeregu czasowego na podstawie danych tabelarycznych 37
- Przygotowanie danych - instrukcja krok po kroku 38
- Konstruowanie szeregu czasowego na podstawie zebranych danych 44
Problemy związane ze znacznikami czasu 46
- Czego dotyczy dany znacznik? 46
- Praca z danymi pozbawionymi dokumentacji 48
- Co to jest znacząca skala czasu? 50
Oczyszczanie danych 50
- Brakujące dane 51
- Zmiana częstotliwości próbkowania 60
- Wygładzanie danych 63
Wahania sezonowe 68
Strefy czasowe 71
Zapobieganie zjawisku lookahead 74
Zobacz też 76

3. Metody eksplorowania danych czasowych 79

Metody ogólnego przeznaczenia 79
- Wykresy liniowe 80
- Histogramy 82
- Wykresy punktowe 84
Metody przeznaczone do eksploracji szeregów czasowych 86
- O stacjonarności słów kilka 86
- Stosowanie okien czasowych 90
- Związki pomiędzy wartościami w szeregu 95
- Korelacje pozorne 105
Przegląd użytecznych metod wizualizacji 107
- Wizualizacje w jednym wymiarze 107
- Wizualizacje w dwóch wymiarach 108
- Wizualizacje w trzech wymiarach 114
Zobacz też 117

4. Symulacje szeregów czasowych 119

Czym wyróżniają się symulacje szeregów czasowych? 120
- Symulacje kontra prognozy 120
Symulacje w implementacjach 121
- Przykład 1. - zrób to sam 121
- Przykład 2. - tworzenie świata symulacji, który sam sobą steruje 126
- Przykład 3. - symulacja zjawiska fizycznego 132
Uwagi końcowe 137
- Symulacje z wykorzystaniem metod statystycznych 138
- Symulacje z wykorzystaniem uczenia głębokiego 138
Zobacz też 138

5. Przechowywanie danych czasowych 141

Definiowanie wymagań 143
- Dane rzeczywiste a dane przechowywane 144
Bazy danych 146
- SQL kontra NoSQL 147
- Przegląd popularnych rozwiązań bazodanowych dla szeregów czasowych 149
Przechowywanie danych w plikach 153
- NumPy 154
- Pandas 155
- Odpowiedniki w środowisku R 155
- Xarray 156
Zobacz też 157

6. Modele statystyczne 159

Dlaczego nie należy korzystać z regresji liniowej? 159
Metody statystyczne dla szeregów czasowych 161
- Modele autoregresyjne 161
- Modele ze średnią ruchomą 174
- Zintegrowane modele autoregresyjne średniej ruchomej 178
- Model wektorowej autoregresji 187
- Inne modele 191
Zalety i wady modeli statystycznych 192
Zobacz też 193

7. Modele zmiennych stanu 195

Wady i zalety modeli zmiennych stanu 196
Filtr Kalmana 197
- Model 197
- Implementacja 199
Ukryte modele Markowa 203
- Sposób działania modelu 204
- Dopasowywanie modelu 205
- Implementacja dopasowania modelu 208
Bayesowskie strukturalne szeregi czasowe (BSTS) 213
- Implementacja 214
Zobacz też 218

8. Generowanie i selekcja cech 221

Przykład wprowadzający 222
Ogólne uwagi dotyczące cech 223
- Natura danego szeregu 223
- Wiedza dziedzinowa 224
- Parametry zewnętrzne 225
Przegląd miejsc, w których można szukać inspiracji dotyczących wyboru cech 225
- Biblioteki dostępne na licencji open source 226
- Przykłady cech powiązanych z konkretnymi dziedzinami 230
Jak dokonać selekcji cech po ich wygenerowaniu? 233
Podsumowanie i wnioski 236
Zobacz też 236

9. Uczenie maszynowe w analizie szeregów czasowych 239

Klasyfikacja szeregów czasowych 240
- Generowanie i selekcja cech 240
- Drzewa decyzyjne 243
Klasteryzacja 250
- Generowanie cech 251
- Metryki uwzględniające zmianę czasu 258
- Klasteryzacja w kodzie 262
Zobacz też 264

10. Uczenie głębokie 267

Geneza uczenia głębokiego 269
Implementacja sieci neuronowej 271
- Dane, symbole, operacje, warstwy i grafy 272
Budowa potoku uczenia 275
- Spojrzenie na zestaw danych 275
- Elementy potoku uczenia 278
Jednokierunkowe sieci neuronowe 293
- Prosty przykład 293
- Wykorzystanie modelu atencji do uczynienia jednokierunkowych sieci bardziej świadomymi czasu 296
Konwolucyjne sieci neuronowe 298
- Prosty model sieci konwolucyjnej 300
- Alternatywne modele konwolucyjne 302
Rekurencyjne sieci neuronowe 304
- Kontynuacja przykładu z zapotrzebowaniem na prąd 307
- Autoenkoder 308
Połączenie architektur 309
Podsumowanie 313
Zobacz też 314

11. Pomiary błędów 317

Podstawy: jak przetestować prognozę? 318
- Weryfikacja historyczna a kwestie związane z konkretnym modelem 320
Kiedy prognoza jest wystarczająco dobra? 321
Szacowanie niepewności modelu w oparciu o symulację 323
Prognozowanie na wiele kroków naprzód 326
- Bezpośrednie dopasowanie do danego horyzontu 326
- Podejście rekurencyjne do odległych horyzontów czasowych 326
- Uczenie wielozadaniowe w kontekście szeregów czasowych 327
Pułapki walidacji 327
Zobacz też 328

12. Kwestie wydajnościowe w dopasowywaniu i wdrażaniu modeli 331

Praca z narzędziami przeznaczonymi do bardziej ogólnych przypadków użycia 332
- Modele zbudowane z myślą o danych przekrojowych nie "współdzielą" danych pomiędzy próbkami 332
- Modele, które nie wspierają wcześniejszego obliczania, tworzą niepotrzebne opóźnienia pomiędzy pomiarem a prognozowaniem 334
Wady i zalety formatów zapisu danych 334
- Przechowuj dane w formacie binarnym 335
- Przetwarzaj dane w sposób umożliwiający "przesuwanie się" po nich 335
Modyfikacje analizy dla zwiększenia jej wydajności 336
- Wykorzystanie wszystkich danych to niekoniecznie najlepszy pomysł 336
- Złożone modele nie zawsze sprawdzają się znacznie lepiej 337
- Krótki przegląd innych wysokowydajnych narzędzi 338
Zobacz też 338

13. Zastosowania w obszarze opieki zdrowotnej 341

Przewidywanie grypy 341
- Studium przypadku grypy w jednym obszarze metropolitalnym 341
- Jak obecnie wygląda prognozowanie grypy? 354
Przewidywanie stężenia cukru we krwi 356
- Eksploracja danych i ich oczyszczanie 357
- Generowanie cech 361
- Dopasowanie modelu 366
Zobacz też 371

14. Zastosowania w obszarze finansów 373

Pozyskiwanie i eksploracja danych finansowych 374
Wstępne przetwarzanie danych do uczenia głębokiego 380
- Dodawanie interesujących nas wielkości do surowych danych 380
- Skalowanie interesujących nas wielkości bez wprowadzania zjawiska lookahead 381
- Formatowanie danych do sieci neuronowej 383
Budowanie i uczenie rekurencyjnej sieci neuronowej 386
Zobacz też 392

15. Szeregi czasowe w danych rządowych 393

Pozyskiwanie danych rządowych 394
Eksploracja dużych zbiorów danych czasowych 395
- Zwiększenie częstotliwości próbkowania i agregowanie danych podczas iteracji 399
- Sortowanie danych 399
Statystyczna analiza szeregów czasowych "w locie" 403
- Pozostałe pytania 412
- Dalsze możliwości poprawy 413
Zobacz też 413

16. Pakiety przeznaczone do pracy z szeregami czasowymi 415

Prognozowanie na dużą skalę 415
- Wewnętrzne narzędzia Google'a do przemysłowego prognozowania 416
- Otwartoźródłowy pakiet Prophet od Facebooka 418
Wykrywanie anomalii 422
- Otwartoźródłowy pakiet AnomalyDetection od Twittera 422
Inne pakiety stworzone z myślą o szeregach czasowych 425
Zobacz też 426

17. Prognozy o prognozowaniu 427

Prognozowanie jako usługa 427
Uczenie głębokie zwiększa możliwości probabilistyczne 428
Wzrost znaczenia uczenia maszynowego kosztem statystyki 429
Wzrost popularności metod łączących podejście statystyczne i uczenie maszynowe 429
Więcej prognoz dotyczących życia codziennego 430